基于噪声空间结构嵌入和高维梯度方向嵌入的鲁棒人脸识别方法

摘要：

基于核范数的矩阵回归方法(Nuclear norm based Matrix Regression,NMR)对人脸图像中因遮挡和光照变化等噪声引发的误差具有很强的鲁棒性.分析了NMR的鲁棒性的基本原理:首先,误差的核范数度量的是误差在其主方向上的能量,而主方向上的能量通常都去除了常规噪声的干扰;其次,误差的核范数度量嵌入了噪声的空间结构信息,而噪声的空间结构对于表示并排除噪声的影响至关重要.然而,仅仅考虑噪声的空间结构并不能有效消除噪声的影响.将具有噪声抑制能力的高维梯度方向(High-dimensional Gradient Orientation,HGO)特征嵌入NMR,提出了一种基于高维梯度方向特征的NMR方法(High-dimensional Gradient Orientations-based NMR,HGO-NMR)极大地提升了NMR的识别性能.其重要意义在于指出噪声空间结构信息和噪声抑制机制对于面向现实的鲁棒人脸识别系统同等重要,单方面强调其中任何一种机制都将导致不稳定的识别性能.

关键词：人脸识别、图像梯度方向、核范数、矩阵回归

所属期刊栏目：45

分类号：TP391.4(计算技术、计算机技术)

资助基金：浙江省自然科学基金LY18F020031;国家自然科学基金61402411,61571195;广东省自然科学基金2016A030313516;深圳市科技资助项目JCYJ20150630114140642

在线出版日期：2018-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：285-290